使用深度学习诊断过敏接触性皮肤炎:单臂实用临床试验与观察员性能研究,以比较人工智能性能与人类读者性能
Rickey E Carter1,2, Alexander D Weston1,2, Mikolaj A Wieczorek1,2
1From the Department of Quantitative Health Sciences, Mayo Clinic, Jacksonville, FL, USA.
Dermatitis : contact, atopic, occupational, drug
|November 26, 2024
概括
一个新的计算机视觉算法在通过智能手机照片在各种皮肤类型中诊断过敏接触性皮肤炎时显示出高准确度. 虽然有效,但人类的解释有时可以超越算法.
科学领域:
- 皮肤病学 皮肤病学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 过敏性接触性皮肤炎 (ACD) 是一种普遍且致残的皮肤疾病,影响超过20%的人口.
- 准确的诊断对于有效管理和治疗ACD至关重要.
研究的目的:
- 为了对计算机视觉算法进行前性验证,用于诊断ACD.
- 为了评估所有菲茨帕特里克皮肤类型的算法性能.
- 将算法性能与人类对补丁测试图像的解释进行比较.
主要方法:
- 206名参与者接受了10种过敏原的补丁测试.
- 皮肤科医生评估了应用后5天的反应,作为参考标准.
- 一个深度学习算法分析了测试场所的智能手机照片.
- 人类读者也解释了摄影图像.
主要成果:
- 该算法显示了高分辨率 (AUROC 0.86) 和特异性 (93%),但敏感性较低 (58%).
- 在不同的菲茨帕特里克皮肤类型 (IV-VI) 中,表现一致.
- 人类读者表现出可变的性能,有时匹配,有时超过算法的准确性.
结论:
- 基于智能手机的图像捕捉与深度学习相结合,为ACD诊断提供了一个有前途的工具.
- 算法显示在多样化的人口中存在很高的歧视.
- 可能需要进一步改进,以提高灵敏度,并始终匹配专家人类性能.
